Keras

Keras er et high-level deep learning API designet til hurtig eksperimentering og tilgængelighed. Skabt af Franois Chollet i 2015 med mottoet "Being able to go from idea to result with the least possible delay is key to doing good research."

Keras blev oprindeligt udviklet som et selvstændigt bibliotek der kunne bruge forskellige backends (TensorFlow, Theano, CNTK). Fra TensorFlow 2.0 blev Keras integreret som det officielle high-level API (tf.keras). I 2023 blev Keras 3 lanceret som et multi-backend framework der igen understøtter TensorFlow, PyTorch og JAX.

Keras tilbyder tre måder at bygge modeller:

Sequential API: Den simpleste tilgang, ideel til modeller hvor lagene stakkes lineært. model = Sequential([Dense(128, activation='relu'), Dense(10, activation='softmax')]). Perfekt til begyndere og simple arkitekturer.

Functional API: Mere fleksibelt, understøtter modeller med flere input/output, delte lag og vilkårlige forbindelser. Bruges til komplekse arkitekturer som ResNet og Inception.

Model subclassing: Fuld kontrol via Python-klasser der nedarver fra keras.Model. Bruges når man har brug for custom forward pass eller ukonventionelle arkitekturer.

Træning er remarkabelt enkel: model.compile() definerer optimizer, loss og metrikker. model.fit() træner modellen med automatisk batching, shuffling og validering. Callbacks som EarlyStopping, ModelCheckpoint og ReduceLROnPlateau tilføjer avanceret træningstyrring.

Præbyggede lag dækker: Dense (fully connected), Conv2D/3D (convolutional), LSTM/GRU (recurrent), Transformer-lag, Dropout, BatchNormalization og mange flere. Keras Applications tilbyder fortrænede modeller (ResNet, VGG, EfficientNet) til transfer learning.

Keras Tuner automatiserer hyperparameter-søgning. KerasCV og KerasNLP er domænespecifikke biblioteker til computer vision og naturlig sprogbehandling.

Keras' styrke er tilgængelighed: den flade indlæringskurve gør deep learning tilgængeligt for udviklere uden dyb ML-ekspertise, samtidig med at frameworket er kraftfuldt nok til forskningsbrug.